snoopy（强大的PHP采集类）详细介绍

r囧r小猫 2022-08-07 06:57 249阅读 0赞

Snoopy是一个php类，用来模拟浏览器的功能，可以获取网页内容，发送表单，可以用来开发一些采集程序和小偷程序，本文章详细介绍snoopy的使用教程。

**Snoopy的一些特点:**

1.  抓取网页的内容 fetch
2.  抓取网页的文本内容 (去除HTML标签) fetchtext
3.  抓取网页的链接，表单 fetchlinks fetchform
4.  支持代理主机
5.  支持基本的用户名/密码验证
6.  支持设置 user\_agent, referer(来路), cookies 和 header content(头文件)
7.  支持浏览器重定向，并能控制重定向深度
8.  能把网页中的链接扩展成高质量的url(默认)
9.  提交数据并且获取返回值
10. 支持跟踪HTML框架
11. 支持重定向的时候传递cookies
12. 要求php4以上就可以了 由于本身是php一个类 无需扩支持 服务器不支持curl时候的最好选择

--------------------

### Snoopy类方法及示例 ###

**fetch($URI)**  
这是为了抓取网页的内容而使用的方法。  
$URI参数是被抓取网页的URL地址。  
抓取的结果被存储在 $this->results 中。  
如果你正在抓取的是一个框架，Snoopy将会将每个框架追踪后存入数组中，然后存入$this->results。

**fetchtext($URI)**  
本方法类似于fetch()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中的文字内容。

**fetchform($URI)**  
本方法类似于fetch()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中表单内容(form)。

**fetchlinks($URI)**  
本方法类似于fetch()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中链接(link)。  
默认情况下，相对链接将自动补全，转换成完整的URL。

**submit($URI, $formvars)**  
本方法向$URL指定的链接地址发送确认表单。$formvars是一个存储表单参数的数组。

**submittext(URI,formvars)**  
本方法类似于submit()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回登陆后网页中的文字内容。

**submitlinks($URI)**  
本方法类似于submit()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中链接(link)。  
默认情况下，相对链接将自动补全，转换成完整的URL。

--------------------

### Snoopy采集类属性: (默认值在括号里) ###

**$host** 连接的主机  
**$port** 连接的端口  
**$proxy\_host** 使用的代理主机，如果有的话  
**$proxy\_port** 使用的代理主机端口，如果有的话  
**$agent** 用户代理伪装 (Snoopy v0.1)  
**$referer** 来路信息，如果有的话  
**$cookies** cookies， 如果有的话  
**$rawheaders** 其他的头信息, 如果有的话  
**$maxredirs** 最大重定向次数， 0=不允许 (5)  
**$offsiteok** whether or not to allow redirects off-site. (true)  
**$expandlinks** 是否将链接都补全为完整地址 (true)  
**$user** 认证用户名, 如果有的话  
**$pass** 认证用户名, 如果有的话  
**$accept** http 接受类型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)  
**$error** 哪里报错, 如果有的话  
**$response\_code** 从服务器返回的响应代码  
**$headers** 从服务器返回的头信息  
**$maxlength** 最长返回数据长度  
**$read\_timeout** 读取操作超时 (requires PHP 4 Beta 4+) 设置为0为没有超时  
**$timed\_out** 如果一次读取操作超时了，本属性返回 true (requires PHP 4 Beta 4+)  
**$maxframes** 允许追踪的框架最大数量  
**$status** 抓取的http的状态  
**$temp\_dir** 网页服务器能够写入的临时文件目录 (/tmp)  
**$curl\_path** cURL binary 的目录, 如果没有cURL binary就设置为 false

--------------------

下面是一个示例：

include "Snoopy.class.php";
    $snoopy = new Snoopy;
    
    $snoopy->proxy_host = "http://www.9it.me";
    $snoopy->proxy_port = "80";
    
    $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
    $snoopy->referer = "http://www.9it.me";
    
    $snoopy->cookies["SessionID"] = 238472834723489l;
    $snoopy->cookies["favoriteColor"] = "RED";
    $snoopy->rawheaders["Pragma"] = "no-cache";
    $snoopy->maxredirs = 2;
    $snoopy->offsiteok = false;
    $snoopy->expandlinks = false;
    $snoopy->user = "joe";
    $snoopy->pass = "bloe";
    
    if($snoopy->fetchtext("http://www.9it.me")) {
        echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n";
    } else {
        echo "error fetching document: ".$snoopy->error."\n";
    }

获取指定url内容

$url = "http://www.9it.me";
    include("snoopy.php");
    $snoopy = new Snoopy;
    $snoopy->fetch($url); //获取所有内容
    echo $snoopy->results; //显示结果
    
    //可选以下
    $snoopy->fetchtext //获取文本内容（去掉html代码）
    $snoopy->fetchlinks //获取链接
    $snoopy->fetchform  //获取表单

表单提交

$formvars["username"] = "admin";
    $formvars["pwd"] = "admin";
    $action = "http://www.9it.me";//</a>表单提交地址
    $snoopy->submit($action,$formvars);//$formvars为提交的数组
    echo $snoopy->results; //获取表单提交后的 返回的结果
    
    //可选以下
    $snoopy->submittext; //提交后只返回 去除html的 文本
    $snoopy->submitlinks;//提交后只返回 链接

既然已经提交的表单 那就可以做很多事情 接下来我们来伪装ip,伪装浏览器

伪装浏览器

$formvars["username"] = "lanfengye";
    $formvars["pwd"] = "lanfengye";
    $action = "http://www.9it.me";
    include "snoopy.php";
    $snoopy = new Snoopy;
    $snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //伪装sessionid
    $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //伪装浏览器
    $snoopy->referer = "http://www.9it.me"; //伪装来源页地址 http_referer
    $snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http头信息
    $snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //伪装ip
    $snoopy->submit($action,$formvars);
    echo $snoopy->results;

原来我们可以伪装session 伪装浏览器 ，伪装ip， haha 可以做很多事情了。  
例如 带验证码，验证ip 投票， 可以不停的投。  
ps:这里伪装ip ，其实是伪装http头, 所以一般的通过 REMOTE\_ADDR 获取的ip是伪装不了，  
反而那些通过http头来获取ip的(可以防止代理的那种) 就可以自己来制造ip。  
关于如何验证码 ，简单说下：  
首先用普通的浏览器， 查看页面 ， 找到验证码所对应的sessionid，  
同时记下sessionid和验证码值，  
接下来就用snoopy去伪造 。  
原理:由于是同一个sessionid 所以取得的验证码和第一次输入的是一样的。

有时我们可能需要伪造更多的东西,snoopy完全为我们想到了

$snoopy->proxy_host = "http://www.9it.me";
    $snoopy->proxy_port = "8080"; //使用代理
    $snoopy->maxredirs = 2; //重定向次数
    $snoopy->expandlinks = true; //是否补全链接 在采集的时候经常用到
    // 例如链接为 /images/taoav.gif 可改为它的全链接 <a href="http://www.9it.me/images/taoav.gif">http://www.9it.me/images/taoav.gif</a>
    $snoopy->maxframes = 5 //允许的最大框架数
    //注意抓取框架的时候 $snoopy->results 返回的是一个数组
    $snoopy->error //返回报错信息